Basis pengetahuan dan
mesin inferensi adalah modul paling kritis agar sistem pakar dapat berfungsi dengan
baik. Pengetahuan harus direpresentasikan dan diatur secara tepat dalam basis
pengetahuan. Mesin inferensi kemudian dapat menggunakan pengetahuan tersebut
untuk menarik kesimpulan baru dari fakta dan aturan yang ada. Dalam bagian ini,
struktur berbasis pengetahuan dan mesin inferensi pada sistem berbasis-aturan.
Representasi dan Organisasi Pengetahuan (Knowledge Base)
Pengetahuan pakar harus direpresentasikan dalam format yang dapat dipahami
komputer dan diatur dengan tepat dalam basis pengetahuan sistem pakar.
Terdapat beberapa cara yang berbeda untuk merepresentasikan pengetahuan
manusia, antara lain aturan produksi, jaringan semantik, dan pernyataan logika.
Dalam sistem berbasis aturan, pengetahuan dalam basis pengetahuan
direpresentasikan dalam aturan JIKA MAKA yang menggabungkan kondisi dan
kesimpulan untuk menangani situasi tertentu.
Bagian JIKA mengindikasikan kondisi aturan tersebut diaktifkan, dan bagian
MAKA menunjukkan tindakan atau kesimpulan jika semua kondisi JIKA dipenuhi.
Keuntungan menggunakan aturan produksi adalah aturan tersebut mudah
dipahami dan aturan baru dapat ditambahkan dengan mudah ke dalam basis
pengetahuan tanpa memengaruhi aturan yang telah ada. Ketidakpastian yang dihubungkan dengan tiap aturan dapat ditambahkan untuk meningkatkan
keakuratannya.
Tugas utama pengembangan sistem pakar adalah memperoleh pengetahuan dari
manusia dan mengubahnya menjadi aturan produksi yang dapat ditangani mesin
inferensi. Mesin inferensi memilih aturan yang dapat diterapkan dari basis
pengetahuan, mengintegrasikannya, dan mempertimbangkannya untuk
mendapatkan kesimpulan.
Mesin Inferensi Sistem Pakar
Tugas utama pengembangan sistem pakar adalah memperoleh pengetahuan dari
manusia dan mengubahnya menjadi aturan produksi yang dapat ditangani mesin
inferensi. Mesin inferensi memilih aturan yang dapat diterapkan dari basis
pengetahuan, mengintegrasikannya, dan mempertimbangkannya untuk
mendapatkan kesimpulan
1. Forward Chaining
Forward chaining adalah mencari bagian JIKA terlebih dahulu. Setelah semua
kondisi JIKA dipenuhi, aturan dipilih untuk mendapatkan kesimpulan. Jika
kesimpulan diambil dari keadaan pertama, bukan dari yang terakhir, maka ia
akan digunakan sebagai fakta untuk disesuaikan dengan kondisi JIKA aturan yang lain untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut
hingga dicapai kesimpulan terbaik.
2. Backward Chaining
Backward Chaining adalah kebalikan dari Forward Chaining. Pendekatan ini
mulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin
inferensi kemudian mengidentifikasi kondisi JIKA yang diperlukan untuk
membuat kesimpulan benar dan mencari fakta untuk menguji apakah kondisi
JIKA adalah benar. Jika semua kondisi JIKA adalah benar, maka aturan dipilih
dari kesimpulan yang dicapai. Jika beberapa kondisi salah, maka aturan
dibuang dan aturan berikutnya digunakan sebagai hipotesis kedua. Jika tidak
ada fakta yang membuktikan bahwa semua kondisi JIKA adalah benar atau
salah, maka mesin inferensi terus mencari aturan yang kesimpulannya sesuai
dengan kondisi JIKA yang tidak diputuskan untuk bergerak satu langkah ke
depan memeriksa kondisi tersebut. Serupa pula, proses chaining ini berlanjut
hingga suatu set aturan didapat untuk mencapai kesimpulan atau untuk membuktikan tidak dapat mencapai kesimpulan.
Kedua metode inferensi tersebut dipengaruhi oleh tiga macam penelusuran, yaitu:
- Depth-first search, melakukan penelusuran kaidah secara mendalam dari
simpul akar bergerak menurun ke tingkat dalam yang berurutan. - Breadth-first search, bergerak dari simpul akar, simpul yang ada pada setiap
tingkat diuji sebelum pindah ke tingkat selanjutnya. - Best-first search, bekerja berdasarkan kombinasi kedua metode sebelumnya
0 komentar
Post a Comment